Mapeo de Susceptibilidad a Deslizamientos de Tierra Basado en Algoritmos de Aprendizaje Profundo Utilizando Optimización de Análisis de Valor de Información
Autores: Ji, Junjie; Zhou, Yongzhang; Cheng, Qiuming; Jiang, Shoujun; Liu, Shiting
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Mapeo de Susceptibilidad a Deslizamientos de Tierra Basado en Algoritmos de Aprendizaje Profundo Utilizando Optimización de Análisis de Valor de Información
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Muestras
Negativo
Red neuronal recurrente
Análisis de valor informativo
Mapeo de susceptibilidad a deslizamientos de tierra
SRU
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La selección de muestras con atributos no relacionados con deslizamientos de tierra impacta significativamente en la modelización de aprendizaje profundo para el mapeo de susceptibilidad a deslizamientos. Este estudio presenta un método de análisis de valor informativo con el fin de optimizar la selección de muestras negativas utilizadas para el aprendizaje automático. La red neuronal recurrente (RNN) tiene una función de memoria, por lo que al utilizar una RNN para el mapeo de susceptibilidad a deslizamientos, el orden de entrada de los factores que influyen en los deslizamientos afecta la calidad resultante del modelo. El análisis de valor informativo calcula los factores que influyen en los deslizamientos, determina el orden de entrada de los datos basado en la importancia de cualquier factor específico en la determinación de la susceptibilidad a deslizamientos, y mejora el potencial de predicción de las redes neuronales recurrentes. La unidad recurrente simple (SRU), una variante recientemente propuesta de la red neuronal recurrente, se caracteriza por poseer una velocidad de procesamiento más rápida y actualmente tiene menos historia de aplicación en el mapeo de susceptibilidad a deslizamientos. Este estudio utilizó redes neuronales recurrentes optimizadas por análisis de valor informativo para el mapeo de susceptibilidad a deslizamientos en el distrito de Xinhui, ciudad de Jiangmen, provincia de Guangdong, China. Se construyeron cuatro modelos: el modelo RNN con selección optimizada de muestras negativas, el modelo SRU con selección optimizada de muestras negativas, el modelo RNN y el modelo SRU. Los resultados muestran que el modelo RNN con selección optimizada de muestras negativas tiene el mejor rendimiento en términos de valor AUC (0.9280), seguido por el modelo SRU con selección optimizada de muestras negativas (0.9057), el modelo RNN (0.7277) y el modelo SRU (0.6355). Además, varias medidas objetivas de precisión (0.8598), recuperación (0.8302), puntuación F1 (0.8544), coeficiente de correlación de Matthews (0.7206) y la característica operativa del receptor también muestran que el modelo RNN tiene el mejor rendimiento. Por lo tanto, el análisis de valor informativo puede ser utilizado para optimizar la selección de muestras negativas en el mapeo de sensibilidad a deslizamientos con el fin de mejorar el rendimiento del modelo; en segundo lugar, SRU es un método más débil que RNN en términos de rendimiento del modelo.
Descripción
La selección de muestras con atributos no relacionados con deslizamientos de tierra impacta significativamente en la modelización de aprendizaje profundo para el mapeo de susceptibilidad a deslizamientos. Este estudio presenta un método de análisis de valor informativo con el fin de optimizar la selección de muestras negativas utilizadas para el aprendizaje automático. La red neuronal recurrente (RNN) tiene una función de memoria, por lo que al utilizar una RNN para el mapeo de susceptibilidad a deslizamientos, el orden de entrada de los factores que influyen en los deslizamientos afecta la calidad resultante del modelo. El análisis de valor informativo calcula los factores que influyen en los deslizamientos, determina el orden de entrada de los datos basado en la importancia de cualquier factor específico en la determinación de la susceptibilidad a deslizamientos, y mejora el potencial de predicción de las redes neuronales recurrentes. La unidad recurrente simple (SRU), una variante recientemente propuesta de la red neuronal recurrente, se caracteriza por poseer una velocidad de procesamiento más rápida y actualmente tiene menos historia de aplicación en el mapeo de susceptibilidad a deslizamientos. Este estudio utilizó redes neuronales recurrentes optimizadas por análisis de valor informativo para el mapeo de susceptibilidad a deslizamientos en el distrito de Xinhui, ciudad de Jiangmen, provincia de Guangdong, China. Se construyeron cuatro modelos: el modelo RNN con selección optimizada de muestras negativas, el modelo SRU con selección optimizada de muestras negativas, el modelo RNN y el modelo SRU. Los resultados muestran que el modelo RNN con selección optimizada de muestras negativas tiene el mejor rendimiento en términos de valor AUC (0.9280), seguido por el modelo SRU con selección optimizada de muestras negativas (0.9057), el modelo RNN (0.7277) y el modelo SRU (0.6355). Además, varias medidas objetivas de precisión (0.8598), recuperación (0.8302), puntuación F1 (0.8544), coeficiente de correlación de Matthews (0.7206) y la característica operativa del receptor también muestran que el modelo RNN tiene el mejor rendimiento. Por lo tanto, el análisis de valor informativo puede ser utilizado para optimizar la selección de muestras negativas en el mapeo de sensibilidad a deslizamientos con el fin de mejorar el rendimiento del modelo; en segundo lugar, SRU es un método más débil que RNN en términos de rendimiento del modelo.